یادگیری عمیق و بازنمایی زبانی ۲۰۲۱
Deep Learning and Linguistic Representation 2021

کاربرد روش‌های یادگیری عمیق در مسائل پردازش زبان طبیعی، پیشرفت‌های چشمگیری را در طیف وسیعی از وظایف پردازش زبان طبیعی به همراه داشته است. در برخی از این کاربردها، مدل‌های یادگیری عمیق اکنون به عملکرد انسانی نزدیک شده یا از آن فراتر رفته‌اند. در حالی که موفقیت این رویکرد، روش‌های مهندسی یادگیری ماشین در هوش مصنوعی را متحول کرده است، اهمیت این دستاوردها برای مدل‌سازی یادگیری و بازنمایی انسانی هنوز نامشخص است.

کتاب “یادگیری عمیق و بازنمایی زبانی” به بررسی کاربرد انواع سیستم‌های یادگیری عمیق در چندین وظیفه پردازش زبان طبیعی با اهمیت شناختی می‌پردازد. همچنین به این موضوع می‌پردازد که این کار تا چه اندازه درک ما را از نحوه کسب و بازنمایی دانش زبانی توسط انسان روشن می‌کند.

ویژگی‌های کلیدی:

* ترکیبی از مقدمه‌ای بر یادگیری عمیق در هوش مصنوعی و پردازش زبان طبیعی با تحقیقات جاری در مورد شبکه‌های عصبی عمیق در زبان‌شناسی محاسباتی.
* خودآموز و مناسب برای تدریس در دوره‌های علوم کامپیوتر، هوش مصنوعی و علوم شناختی؛ نیاز به آموزش فنی گسترده در این زمینه‌ها ندارد.
* راهنمای جامعی برای کار با سیستم‌های پیشرفته‌ای است که انقلابی را در طیف وسیعی از وظایف دشوار زبان طبیعی ایجاد می‌کنند.

The application of deep learning methods to problems in natural language processing has generated significant progress across a wide range of natural language processing tasks. For some of these applications, deep learning models now approach or surpass human performance. While the success of this approach has transformed the engineering methods of machine learning in artificial intelligence, the significance of these achievements for the modelling of human learning and representation remains unclear.

Deep Learning and Linguistic Representation looks at the application of a variety of deep learning systems to several cognitively interesting NLP tasks. It also considers the extent to which this work illuminates our understanding of the way in which humans acquire and represent linguistic knowledge.

Key Features:

• combines an introduction to deep learning in AI and NLP with current research on Deep Neural Networks in computational linguistics.
• is self-contained and suitable for teaching in computer science, AI, and cognitive science courses; it does not assume extensive technical training in these areas.
• provides a compact guide to work on state of the art systems that are producing a revolution across a range of difficult natural language tasks.